将 UTF-16 转换为 UTF-8 并删除 BOM？

Convert UTF-16 to UTF-8 and remove BOM?

提问人：timpone 提问时间：1/12/2012 最后编辑：jwwtimpone 更新时间：11/14/2023 访问量：36037

问：

我们有一个数据输入人员，他在 Windows 上以 UTF-16 编码，并希望使用 utf-8 并删除 BOM。utf-8 转换有效，但 BOM 仍然存在。我该如何删除它？这是我目前所拥有的：

batch_3={'src':'/Users/jt/src','dest':'/Users/jt/dest/'}
batches=[batch_3]

for b in batches:
  s_files=os.listdir(b['src'])
  for file_name in s_files:
    ff_name = os.path.join(b['src'], file_name)  
    if (os.path.isfile(ff_name) and ff_name.endswith('.json')):
      print ff_name
      target_file_name=os.path.join(b['dest'], file_name)
      BLOCKSIZE = 1048576
      with codecs.open(ff_name, "r", "utf-16-le") as source_file:
        with codecs.open(target_file_name, "w+", "utf-8") as target_file:
          while True:
            contents = source_file.read(BLOCKSIZE)
            if not contents:
              break
            target_file.write(contents)

如果我 hexdump -C，我会看到：

Wed Jan 11$ hexdump -C svy-m-317.json 
00000000  ef bb bf 7b 0d 0a 20 20  20 20 22 6e 61 6d 65 22  |...{..    "name"|
00000010  3a 22 53 61 76 6f 72 79  20 4d 61 6c 69 62 75 2d  |:"Savory Malibu-|

在生成的文件中。如何删除 BOM？

感谢

python unicode utf-16

评论

答：

29赞 Adam Rosenfield 1/12/2012 #1

只需使用 str.decode 和 str.encode：

with open(ff_name, 'rb') as source_file:
  with open(target_file_name, 'w+b') as dest_file:
    contents = source_file.read()
    dest_file.write(contents.decode('utf-16').encode('utf-8'))

str.decode将为您摆脱 BOM（并推断出字节序）。

评论

0赞 timpone 1/12/2012
很酷 - 效果很好，您知道如何在读取中添加 CRLF -> LF 转换工具吗？谢谢你，如果你能帮忙
3赞 Marcin Kaminski 1/7/2015
如果您处理的是大文件，这种方法（将整个文件存储在内存中两次）不是很有效。
41赞 Dietrich Epp 1/12/2012 #2

这就是 和 之间的区别UTF-16LEUTF-16

  • UTF-16LE是没有 BOM 的小端序
  • UTF-16是具有 BOM 的大端序或小端序

因此，当您使用 时，BOM 只是文本的一部分。请改用，以便自动删除 BOM。原因和存在是为了让人们可以在没有 BOM 的情况下随身携带“正确编码”的文本，这不适用于您。UTF-16LEUTF-16UTF-16LEUTF-16BE

请注意使用一种编码进行编码并使用另一种编码进行解码时会发生什么情况。（有时自动检测，但并非总是如此。UTF-16UTF-16LE

>>> u'Hello, world'.encode('UTF-16LE')
'H\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
>>> u'Hello, world'.encode('UTF-16')
'\xff\xfeH\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
 ^^^^^^^^ (BOM)

>>> u'Hello, world'.encode('UTF-16LE').decode('UTF-16')
u'Hello, world'
>>> u'Hello, world'.encode('UTF-16').decode('UTF-16LE')
u'\ufeffHello, world'
    ^^^^ (BOM)

或者你可以在 shell 上执行此操作：

for x in * ; do iconv -f UTF-16 -t UTF-8 <"$x" | dos2unix >"$x.tmp" && mv "$x.tmp" "$x"; done

上一个：保存使用 VBA 编码的 UTF-8 文本文件

下一个：将 UTF-16 转换为 UTF-8 并删除 BOM？